CN110264537B - Pet图像重建方法、系统、可读存储介质和设备 - Google Patents

Pet图像重建方法、系统、可读存储介质和设备 Download PDF

Info

Publication number
CN110264537B
CN110264537B CN201910511865.7A CN201910511865A CN110264537B CN 110264537 B CN110264537 B CN 110264537B CN 201910511865 A CN201910511865 A CN 201910511865A CN 110264537 B CN110264537 B CN 110264537B
Authority
CN
China
Prior art keywords
reconstruction
pet
matrix
attenuation
system matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910511865.7A
Other languages
English (en)
Other versions
CN110264537A (zh
Inventor
孙友军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201910511865.7A priority Critical patent/CN110264537B/zh
Publication of CN110264537A publication Critical patent/CN110264537A/zh
Application granted granted Critical
Publication of CN110264537B publication Critical patent/CN110264537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种PET图像重建方法、系统、可读存储介质和设备，属于医疗影像技术领域，在医学成像设备对扫描对象进行扫描后，获取PET系统的重建系统矩阵和PET扫描对象的衰减信息，将其输入至预设的矩阵学习模型中，利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。

Description

PET图像重建方法、系统、可读存储介质和设备
技术领域
本发明涉及医疗影像技术领域，特别是涉及一种PET图像重建方法、系统、可读存储介质和设备。
背景技术
PET(Positron Emission Tomography，正电子发射计算机断层扫描)是医学领域中较为先进的临床检查影像技术，目前已被广泛应用于医学领域的诊断和研究。
在通过PET系统对生物体进行扫描前，先给生物体注射含有放射性核素的示踪剂，示踪剂在生物体内会发生衰变并产生正电子，接着衰变后产生的正电子在行进十分之几毫米到几毫米后，与生物体内的电子相遇，发生正负电子对湮灭反应，从而生成一对方向相反、能量相同的光子，这一对光子穿过生物体组织，被PET系统的探测器接收，并经计算机进行散射和随机信息的校正，以通过相应的图像重建算法生成能够反映示踪剂在生物体内分布的图像。
在传统的PET AW-OSEM(衰减加权的有序子集最大期望值方法)迭代重建过程中，需要考虑计算衰减信息系统矩阵。对应门控重建或运动校正等场景，不同时间的衰减信息不同，此时若对应每个不同的衰减图都需要计算不同的系统矩阵，重建资源消耗巨大，进而导致图像重建的运算速度慢。
发明内容
基于此，有必要针对传统的PET AW-OSEM迭代重建过程中，对应不同的衰减图需要计算不同的系统矩阵，重建资源消耗大导致图像重建的运算速度慢的问题，提供一种PET图像重建方法、系统、可读存储介质和设备。
一种PET图像重建方法，包括以下步骤：
获取PET系统的重建系统矩阵，以及PET扫描对象的衰减信息图像；
将重建系统矩阵和衰减信息输入至预设的矩阵学习模型，获取加入衰减效应的系统矩阵；
根据加入衰减效应的重建系统矩阵进行PET图像重建。
根据上述的PET图像重建方法，在医学成像设备对扫描对象进行扫描后，获取PET系统的重建系统矩阵和PET扫描对象的衰减信息，将其输入至预设的矩阵学习模型中，利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
在其中一个实施例中，获取PET扫描对象的衰减信息的步骤包括以下步骤：
获取PET扫描对象的电子计算机断层扫描数据，根据电子计算机断层扫描数据获取衰减信息。
在其中一个实施例中，获取PET系统的重建系统矩阵的步骤包括以下步骤：
获取PET系统支持的最小像素和最大重建矩阵，根据最小像素和最大重建矩阵获取PET系统的重建系统矩阵。
在其中一个实施例中，将重建系统矩阵和衰减信息输入至预设的矩阵学习模型的步骤之前，还包括以下步骤：
获取不同PET扫描对象的衰减信息样本；
根据衰减信息样本获取加入衰减效应的重建系统矩阵样本；
获取深度学习模型，将衰减信息样本、PET系统的重建系统矩阵作为输入训练样本，将加入衰减效应的重建系统矩阵样本作为输出训练样本，对深度学习模型进行训练，获得预设的矩阵学习模型。
在其中一个实施例中，不同PET扫描对象包括不同模体或不同临床病人。
在其中一个实施例中，根据加入衰减效应的重建系统矩阵进行PET图像重建的步骤包括以下步骤：
获取PET重建参数，根据PET重建参数对加入衰减效应的重建系统矩阵进行插值或切割，获得对应PET重建参数的加入衰减效应的重建系统矩阵；
根据对应PET重建参数的加入衰减效应的重建系统矩阵进行PET图像重建。
在其中一个实施例中，根据加入衰减效应的重建系统矩阵进行PET图像重建的步骤包括以下步骤：
将对应PET重建参数的加入衰减效应的重建系统矩阵代入衰减加权的有序子集最大期望值公式，根据代入后的公式执行迭代重建操作，获得PET重建图像。
一种PET图像重建系统，包括：
数据获取单元，用于获取PET系统的重建系统矩阵，以及PET扫描对象的衰减信息；
数据转换单元，用于将系统矩阵和衰减信息输入至预设的矩阵学习模型，获取加入衰减效应的重建系统矩阵；
图像重建单元，用于根据加入衰减效应的重建系统矩阵进行PET图像重建。
根据上述的PET图像重建系统，在医学成像设备对扫描对象进行扫描后，数据获取单元获取PET系统的重建系统矩阵和PET扫描对象的衰减信息，数据转换单元将其输入至预设的矩阵学习模型中，利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上图像重建单元利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
在其中一个实施例中，数据获取单元用于获取PET扫描对象的电子计算机断层扫描数据，根据电子计算机断层扫描数据获取衰减信息。
在其中一个实施例中，数据获取单元用于获取PET系统支持的最小像素和最大重建矩阵，根据最小像素和最大重建矩阵获取PET系统的重建系统矩阵。
在其中一个实施例中，PET图像重建系统还包括模型训练单元，用于获取不同PET扫描对象的衰减信息样本；根据衰减信息样本获取加入衰减效应的重建系统矩阵样本；获取深度学习模型，将衰减信息样本、PET系统的重建系统矩阵作为输入训练样本，将加入衰减效应的重建系统矩阵样本作为输出训练样本，对深度学习模型进行训练，获得预设的矩阵学习模型。
在其中一个实施例中，不同PET扫描对象包括不同模体或不同临床病人。
在其中一个实施例中，图像重建单元用于获取PET重建参数，根据PET重建参数对加入衰减效应的重建系统矩阵进行插值或切割，获得对应PET重建参数的加入衰减效应的重建系统矩阵；根据对应PET重建参数的加入衰减效应的重建系统矩阵进行PET图像重建。
在其中一个实施例中，图像重建单元用于将对应PET重建参数的加入衰减效应的重建系统矩阵代入衰减加权的有序子集最大期望值公式，根据代入后的公式执行迭代重建操作，获得PET重建图像。
一种可读存储介质，其上存储有可执行程序，可执行程序被处理器执行时实现上述的PET图像重建方法的步骤。
上述可读存储介质，通过其存储的可执行程序，可以实现利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
一种PET图像重建设备，包括存储器和处理器，存储器存储有可执行程序，处理器执行可执行程序时实现上述的PET图像重建方法的步骤。
上述PET图像重建设备，通过在处理器上运行可执行程序，可以实现利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
附图说明
图1为一个实施例中的PET图像重建方法的流程示意图；
图2为另一个实施例中的PET图像重建方法的流程示意图；
图3为又一个实施例中的PET图像重建系统的结构示意图；
图4为一个实施例中的矩阵学习模型的训练过程示意图；
图5为一个实施例中的PET图像重建系统的结构示意图；
图6为另一个实施例中的PET图像重建系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本申请提供的PET图像重建方法，可以应用于PET扫描成像的应用场景中。
参见图1所示，为本发明一个实施例的PET图像重建方法的流程示意图。该实施例中的PET图像重建方法包括以下步骤：
步骤S110：获取PET系统的重建系统矩阵，以及PET扫描对象的衰减信息；
在本步骤中，重建系统矩阵是在PET扫描重建时所用的系统矩阵，重建系统矩阵可表示在体素中检测到的，在湮灭中生成的光子沿LOR(Line Of Response，也称为响应线或符合线)行进的概率，PET扫描对象是PET医学成像设备需要扫描的对象，一般为临床病人，也可以是其他需要进行扫描的物体，PET医学成像设备进行扫描后，相应的探测器可以接收信号，生成扫描数据，扫描数据经过计算处理后得到响应数据弦图，在计算处理过程中不进行衰减校正，衰减信息用于表征医学成像信号在扫描过程中因组织吸收或散射而导致衰减的情况；
步骤S120：将重建系统矩阵和衰减信息输入至预设的矩阵学习模型，获取加入衰减效应的重建系统矩阵；
在本步骤中，矩阵学习模型具备重建系统矩阵、扫描对象的衰减信息与加入衰减效应的重建系统矩阵之间的联系，将前述步骤得到的重建系统矩阵和衰减信息作为散射校正模型的输入，经过预先训练的矩阵学习模型可根据输入的信息快速输出加入衰减效应的重建系统矩阵；
步骤S130：根据加入衰减效应的重建系统矩阵进行PET图像重建；
在本步骤中，重建系统矩阵中已考虑了衰减效应，在利用重建系统矩阵进行PET图像重建时可直接进行图像数据的重建操作，无需另外再执行衰减校正，加速重建过程。
在本实施例中，在医学成像设备对扫描对象进行扫描后，获取PET系统的重建系统矩阵和PET扫描对象的衰减信息，将其输入至预设的矩阵学习模型中，利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
需要说明的是，PET图像重建方法适用于门控重建和运动校正等不同的扫描场景中。
在一个实施例中，如图2所示，获取PET扫描对象的衰减信息的步骤包括以下步骤：
获取PET扫描对象的电子计算机断层扫描数据，根据电子计算机断层扫描数据获取衰减信息。
在本实施例中，通过对PET扫描对象进行电子计算机断层扫描(CT扫描)，得到电子计算机断层扫描数据(CT数据)，电子计算机断层扫描数据反映的是每个体素经过射线扫描后的衰减情况，以此可以得到PET扫描对象在扫描过程中的衰减信息，而且在实际应用中，许多医学成像设备同时具备PET扫描和CT扫描，因此在PET扫描时很容易得到电子计算机断层扫描数据。
在一个实施例中，如图3所示，获取PET系统的重建系统矩阵的步骤包括以下步骤：
获取PET系统支持的最小像素和最大重建矩阵，根据最小像素和最大重建矩阵获取PET系统的重建系统矩阵。
在本实施例中，由于重建系统矩阵是在PET扫描重建时所用的系统矩阵，重建系统矩阵可表示在体素中检测到的，在湮灭中生成的光子沿符合线行进的概率，因此重建系统矩阵与PET系统的重建参数密切相关，其中最主要的就是PET系统支持的最小像素以及最大重建矩阵，最小像素确定重建系统矩阵的单个元素，最大重建矩阵确定重建系统矩阵的范围大小。
在一个实施例中，将重建系统矩阵和衰减信息输入至预设的矩阵学习模型的步骤之前，还包括以下步骤：
获取不同PET扫描对象的衰减信息样本；
根据衰减信息样本获取加入衰减效应的重建系统矩阵样本；
获取深度学习模型，将衰减信息样本、PET系统的重建系统矩阵作为输入训练样本，将加入衰减效应的重建系统矩阵样本作为输出训练样本，对深度学习模型进行训练，获得预设的矩阵学习模型。
在本实施例中，矩阵学习模型是通过模型训练得到的，先通过多个不同PET扫描对象的衰减信息样本，计算获取加入衰减效应的重建系统矩阵样本；将衰减信息样本和原始的重建系统矩阵作为深度学习模型的训练输入，将加入衰减效应的重建系统矩阵样本作为深度学习模型的训练输出，通过训练输入和训练输出对深度学习模型进行训练，得到矩阵学习模型，矩阵学习模型能对输入的衰减信息和重建系统矩阵做出判断，输出相应的加入衰减效应的重建系统矩阵，使用矩阵学习模型可以节省加入衰减效应的重建系统矩阵的计算资源。
进一步的，在训练深度学习模型时，获取的PET系统的重建系统矩阵可以针对不同的PET系统，即重建系统矩阵可以不同。
在一个实施例中，不同PET扫描对象包括不同模体或不同临床病人。
在本实施例中，PET扫描对象可以是不同模体或不同的临床病人，不同模体或不同临床病人相应的衰减信息不同，可以使深度学习模型适应各种不同的PET扫描对象，从而在实际应用中输出更准确的加入衰减效应的重建系统矩阵。
需要说明的是，不同PET扫描对象的衰减信息样本可以是用模体在PET系统测试时所产生的衰减信息，也可以是PET系统在实际应用中产生的历史衰减信息，上述衰减信息可以保存在PET系统的存储单元中，以便在需要时进行调用。
在一个实施例中，根据加入衰减效应的重建系统矩阵进行PET图像重建的步骤包括以下步骤：
获取PET重建参数，根据PET重建参数对加入衰减效应的重建系统矩阵进行插值或切割，获得对应PET重建参数的加入衰减效应的重建系统矩阵；
根据对应PET重建参数的加入衰减效应的重建系统矩阵进行PET图像重建。
在本实施例中，利用矩阵学习模型得到的重建系统矩阵是矩阵学习模型利用数据学习得到的，而且一般是固定大小的，在进行实际PET图像重建时，需要根据重建场景获取相应的重建参数，并以重建参数对重建系统矩阵进行修正，以满足重建要求，根据重建参数的不同，可以对重建系统矩阵进行插值或切割，得到对应重建参数的加入衰减效应的重建系统矩阵，可以更准确地进行图像重建。
需要说明的是，在PET图像重建过程中，有时会需要对重建参数进行调整，此时需要再次根据调整后的重建参数对重建系统矩阵进行插值或切割，以适应重建需求。
在一个实施例中，根据加入衰减效应的重建系统矩阵进行PET图像重建的步骤包括以下步骤：
将对应PET重建参数的加入衰减效应的重建系统矩阵代入衰减加权的有序子集最大期望值公式，根据代入后的公式执行迭代重建操作，获得PET重建图像。
在本实施例中，可以将对应重建参数的加入衰减效应的重建系统矩阵代入衰减加权的有序子集最大期望值公式，该公式可以用于执行迭代重建操作，在迭代重建的过程中使用对应重建参数的加入衰减效应的重建系统矩阵，考虑衰减效应的影响，图像重建过程已进行衰减校正，避免再对图像进行衰减校正，加快图像重建过程。
具体的，衰减加权的有序子集最大期望值公式如下：
上式中，表示第k次迭代像素j的像素值，pi,j表示像素j和符合响应线i的相交系数，ni表示符合响应线i的归一化校正系统，si表示符合响应线i的采集计数，ai表示符合响应线i的衰减校正系数，ri表示符合响应线i的随机校正系数，ci表示符合响应线i的散射校正系数；对应重建参数的加入衰减效应的重建系统矩阵中的元素可以代入ai。
在一个实施例中，上述PET图像重建方法可应用在PET医学成像系统中。在进行PET图像重建时，可以采用AW-OSEM(attenuation weightedordered subsets expectationmaximization，衰减加权的有序子集最大期望值)重建公式，公式中涉及重建系统矩阵，重建系统矩阵的计算需要考虑衰减信息，因此无法事先计算，对应门控重建等场景，由于不同运动帧CT图像不同，因此需要对应每一帧分别计算系统矩阵，会占用大量重建时间。
本方案基于AI技术，直接通过事先计算的不考虑衰减信息的重建系统矩阵，与衰减信息直接得到考虑衰减信息的重建系统矩阵。
具体的，先进行模型训练，模型训练的具体步骤包括：
1)根据PET系统支持的最小像素、最大重建矩阵，事先计算不考虑衰减效应的重建系统矩阵(Sensitivity map)；
2)对不同扫描对象执行CT扫描，获得扫描对象固定大小衰减信息图像(Mumap)；
3)使用扫描对象衰减信息，重新计算考虑衰减效应的系统矩阵；
4)根据神经网络建立深度学习模型；
5)使用不考虑衰减效应的系统矩阵及衰减信息图像，得到训练矩阵；
6)使用考虑衰减效应的系统矩阵作为校对矩阵；
7)根据上述训练矩阵及校对矩阵训练深度学习模型，获得已训练的深度学习模型。
如图4所示，基于不加入衰减效应的重建系统矩阵(noAC sensitivity map)及衰减信息图像(Mumap)两个输入，及带衰减信息的(AC Sensitivity map)作为输出，进行训练。
模型使用的具体步骤包括：
1)读取根据PET系统支持的最小像素、最大重建矩阵事先计算的，固定大小的不考虑衰减效应的重建系统矩阵；
2)对扫描对象执行CT扫描，获得扫描对象固定大小衰减信息图像(Mumap)；
3)使用上述不考虑衰减效应的重建系统矩阵及衰减信息图像，得到训练矩阵；
4)根据新的训练矩阵及上述已训练的深度学习模型获得考虑衰减效应的重建系统矩阵；
5)根据重建参数对所获得系统矩阵执行插值及切割，获得对应用户设置重建参数的系统矩阵；
6)代入AW-OSEM公式执行迭代重建任务。
根据上述PET图像重建方法，本发明实施例还提供一种PET图像重建系统，以下就PET图像重建系统的实施例进行详细说明。
参见图5所示，为一个实施例的PET图像重建系统的结构示意图。该实施例中的PET图像重建系统包括：
数据获取单元210，用于获取PET系统的重建系统矩阵，以及PET扫描对象的衰减信息；
数据转换单元220，用于将系统矩阵和衰减信息输入至预设的矩阵学习模型，获取加入衰减效应的重建系统矩阵；
图像重建单元230，用于根据加入衰减效应的重建系统矩阵进行PET图像重建。
根据上述的PET图像重建系统，在医学成像设备对扫描对象进行扫描后，数据获取单元210获取PET系统的重建系统矩阵和PET扫描对象的衰减信息，数据转换单元220将其输入至预设的矩阵学习模型中，利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上图像重建单元230利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
在一个实施例中，数据获取单元210用于获取PET扫描对象的电子计算机断层扫描数据，根据电子计算机断层扫描数据获取衰减信息。
在一个实施例中，数据获取单元210用于获取PET系统支持的最小像素和最大重建矩阵，根据最小像素和最大重建矩阵获取PET系统的重建系统矩阵。
在一个实施例中，如图6所示，PET图像重建系统还包括模型训练单元240，用于获取不同PET扫描对象的衰减信息样本；根据衰减信息样本获取加入衰减效应的重建系统矩阵样本；获取深度学习模型，将衰减信息样本、PET系统的重建系统矩阵作为输入训练样本，将加入衰减效应的重建系统矩阵样本作为输出训练样本，对深度学习模型进行训练，获得预设的矩阵学习模型。
在一个实施例中，不同PET扫描对象包括不同模体或不同临床病人。
在一个实施例中，图像重建单元230用于获取PET重建参数，根据PET重建参数对加入衰减效应的重建系统矩阵进行插值或切割，获得对应PET重建参数的加入衰减效应的重建系统矩阵；根据对应PET重建参数的加入衰减效应的重建系统矩阵进行PET图像重建。
在一个实施例中，图像重建单元230用于将对应PET重建参数的加入衰减效应的重建系统矩阵代入衰减加权的有序子集最大期望值公式，根据代入后的公式执行迭代重建操作，获得PET重建图像。
本发明实施例的PET图像重建系统与上述PET图像重建方法一一对应，在上述PET图像重建方法的实施例阐述的技术特征及其有益效果均适用于PET图像重建系统的实施例中。
一种可读存储介质，其上存储有可执行程序，可执行程序被处理器执行时实现上述的PET图像重建方法的步骤。
上述可读存储介质，通过其存储的可执行程序，可以实现利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
一种PET图像重建设备，包括存储器和处理器，存储器存储有可执行程序，处理器执行可执行程序时实现上述的PET图像重建方法的步骤。
上述PET图像重建设备，通过在处理器上运行可执行程序，可以实现利用矩阵学习模型自动获取加入衰减效应的系统矩阵，相比于考虑衰减信息直接计算系统矩阵，通过矩阵学习模型输出加入衰减效应的系统矩阵的速度更快，占用资源较少，在此基础上利用加入衰减效应的系统矩阵进行PET图像重建，可以提高图像重建的运算速度。
本领域普通技术人员可以理解实现上述实施例用于PET图像重建方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一非易失性的计算机可读取存储介质中，如实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述PET图像重建方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：ROM/RAM、磁碟、光盘等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种PET图像重建方法，其特征在于，包括以下步骤：
获取PET系统的重建系统矩阵，以及PET扫描对象的衰减信息；
将所述重建系统矩阵和所述衰减信息输入至预设的矩阵学习模型，获取加入衰减效应的重建系统矩阵；
根据所述加入衰减效应的重建系统矩阵进行PET图像重建；
所述将所述重建系统矩阵和所述衰减信息输入至预设的矩阵学习模型的步骤之前，还包括以下步骤：
获取不同PET扫描对象的衰减信息样本；
根据所述衰减信息样本获取加入衰减效应的重建系统矩阵样本；
获取深度学习模型，将所述衰减信息样本、所述PET系统的重建系统矩阵作为输入训练样本，将所述加入衰减效应的重建系统矩阵样本作为输出训练样本，对所述深度学习模型进行训练，获得所述预设的矩阵学习模型。
2.根据权利要求1所述的PET图像重建方法，其特征在于，获取PET扫描对象的衰减信息的步骤包括以下步骤：
获取所述PET扫描对象的电子计算机断层扫描数据，根据所述电子计算机断层扫描数据获取所述衰减信息。
3.根据权利要求1所述的PET图像重建方法，其特征在于，所述获取PET系统的重建系统矩阵的步骤包括以下步骤：
获取PET系统支持的最小像素和最大重建矩阵，根据所述最小像素和最大重建矩阵获取所述PET系统的重建系统矩阵。
4.根据权利要求3所述的PET图像重建方法，其特征在于，所述不同PET扫描对象包括不同模体或不同临床病人。
5.根据权利要求1至4中任意一项所述的PET图像重建方法，其特征在于，所述根据所述加入衰减效应的重建系统矩阵进行PET图像重建的步骤包括以下步骤：
获取PET重建参数，根据所述PET重建参数对所述加入衰减效应的重建系统矩阵进行插值或切割，获得对应PET重建参数的加入衰减效应的重建系统矩阵；
根据对应PET重建参数的加入衰减效应的重建系统矩阵进行PET图像重建。
6.根据权利要求5所述的PET图像重建方法，其特征在于，所述根据所述加入衰减效应的重建系统矩阵进行PET图像重建的步骤包括以下步骤：
将对应PET重建参数的加入衰减效应的重建系统矩阵代入衰减加权的有序子集最大期望值公式，根据代入后的公式执行迭代重建操作，获得PET重建图像。
7.一种PET图像重建系统，其特征在于，包括：
数据获取单元，用于获取PET系统的重建系统矩阵，以及PET扫描对象的衰减信息；
数据转换单元，用于将所述系统矩阵和所述衰减信息输入至预设的矩阵学习模型，获取加入衰减效应的重建系统矩阵；
图像重建单元，用于根据所述加入衰减效应的重建系统矩阵进行PET图像重建；
模型训练单元，用于获取不同PET扫描对象的衰减信息样本；根据衰减信息样本获取加入衰减效应的重建系统矩阵样本；获取深度学习模型，将衰减信息样本、PET系统的重建系统矩阵作为输入训练样本，将加入衰减效应的重建系统矩阵样本作为输出训练样本，对深度学习模型进行训练，获得预设的矩阵学习模型。
8.根据权利要求7所述的PET图像重建系统，其特征在于，所述数据获取单元用于获取所述PET扫描对象的电子计算机断层扫描数据，根据所述电子计算机断层扫描数据获取所述衰减信息。
9.一种可读存储介质，其上存储有可执行程序，其特征在于，所述可执行程序被处理器执行时实现权利要求1至6中任意一项所述的PET图像重建方法的步骤。
10.一种PET图像重建设备，包括存储器和处理器，所述存储器存储有可执行程序，其特征在于，所述处理器执行所述可执行程序时实现权利要求1至6中任意一项所述的PET图像重建方法的步骤。
CN201910511865.7A 2019-06-13 2019-06-13 Pet图像重建方法、系统、可读存储介质和设备 Active CN110264537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910511865.7A CN110264537B (zh) 2019-06-13 2019-06-13 Pet图像重建方法、系统、可读存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910511865.7A CN110264537B (zh) 2019-06-13 2019-06-13 Pet图像重建方法、系统、可读存储介质和设备

Publications (2)

Publication Number Publication Date
CN110264537A CN110264537A (zh) 2019-09-20
CN110264537B true CN110264537B (zh) 2023-07-18

Family

ID=67918135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910511865.7A Active CN110264537B (zh) 2019-06-13 2019-06-13 Pet图像重建方法、系统、可读存储介质和设备

Country Status (1)

Country Link
CN (1) CN110264537B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114027863B (zh) * 2021-11-17 2022-07-01 南通市肿瘤医院 一种智能pet/ct联动扫描系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678821A (zh) * 2016-01-12 2016-06-15 浙江大学 一种基于自编码器图像融合的动态pet图像重建方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100565586C (zh) * 2006-03-10 2009-12-02 Ge医疗系统环球技术有限公司 图像重建方法和x射线ct设备
CN102324089B (zh) * 2011-07-13 2013-04-03 南方医科大学 基于广义熵与mr先验的pet图像最大后验重建方法
US9495771B2 (en) * 2013-05-10 2016-11-15 The General Hospital Corporation Systems and methods for motion correction in positron emission tomography imaging
CN106491151B (zh) * 2016-01-25 2021-01-29 上海联影医疗科技股份有限公司 Pet图像获取方法及系统
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
US10593071B2 (en) * 2017-04-14 2020-03-17 Siemens Medical Solutions Usa, Inc. Network training and architecture for medical imaging
US11302003B2 (en) * 2017-10-26 2022-04-12 Wisconsin Alumni Research Foundation Deep learning based data-driven approach for attenuation correction of pet data
CN108428253A (zh) * 2018-03-12 2018-08-21 武汉大学 一种构造虚拟doi及相应系统矩阵提高pet图像重建质量的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678821A (zh) * 2016-01-12 2016-06-15 浙江大学 一种基于自编码器图像融合的动态pet图像重建方法

Also Published As

Publication number Publication date
CN110264537A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110097611B (zh) 图像重建方法、装置、设备及存储介质
CN110151210B (zh) 一种医学图像处理方法、系统、装置和计算机可读介质
CN107133996B (zh) 产生用于pet数据重建的衰减图的方法及pet/ct系统
CN109308728B (zh) 正电子发射型计算机断层扫描图像处理方法及装置
RU2413245C2 (ru) Обработка изображений позитронно-эмиссионной томографии с использованием анатомической маски режима списка
US9706972B1 (en) Systems and methods for reconstruction of emission activity image
CN110415311B (zh) Pet图像重建方法、系统、可读存储介质和设备
JP2012506530A (ja) Ｐｅｔ−ｍｒにおける減衰マップの生成方法
CN110136076B (zh) 医学扫描成像方法、装置、存储介质及计算机设备
WO2021139835A2 (zh) 一种spect成像预测模型创建方法、装置、设备及存储介质
US11874411B2 (en) Estimation of partially missing attenuation in time-of-flight positron emission tomography
CN112529977B (zh) 一种pet图像重建的方法和系统
CN110264537B (zh) Pet图像重建方法、系统、可读存储介质和设备
US20080073538A1 (en) Application-driven optimization of acquisition and reconstruction of SPECT/PET projection data
CN110215223B (zh) 散射校正方法、系统、可读存储介质和设备
CN110400361B (zh) 子集划分及图像重建的方法、装置和计算机设备
WO2023051719A1 (en) Methods and systems for attenuation map generation
Cheng et al. Maximum likelihood activity and attenuation estimation using both emission and transmission data with application to utilization of Lu‐176 background radiation in TOF PET
EP4062836A1 (en) Neural network-assisted dose assessment based on activity image
CN110070588B (zh) Pet图像重建方法、系统、可读存储介质和设备
CN115423892A (zh) 一种基于最大期望网络的无衰减校正pet重建方法
CN112052885B (zh) 图像处理方法、装置、设备及pet-ct系统
CN108703769B (zh) Tof数据的校正方法、装置、系统和计算机可读存储介质
US20230056685A1 (en) Methods and apparatus for deep learning based image attenuation correction
WO2023241722A1 (en) Methods and systems for image reconstruction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant